當 AI 產業持續投入大型語言模型（LLM），AI 學者楊立昆（Yann LeCun）卻認為，光靠語言模型不足以讓 AI 真正理解物理世界，或預測自身行動可能帶來的後果。因此，他押注能學習環境運作規律、支援推理與行動規劃的「世界模型（World Model）」。
2025 年底，LeCun 離開 Meta 創辦 AI 新創 AMI Labs，今年 3 月完成 10.3 億美元種子輪融資。如今，他與 AMI Labs、學界研究人員共同提出新架構 H-JEPA，在模擬機器人走迷宮的測試中，將任務成功率從 18% 提升至 73%，同時降低規劃運算量。這項研究究竟突破了世界模型的什麼限制？
世界模型已能預測未來，長期規劃仍是難題
LeCun 長期研究的 JEPA（聯合嵌入預測架構），不需要逐一生成影像像素，而是將觀察到的影像轉換成潛在表徵（Latent Representation），學習與預測環境狀態。
但《VentureBeat》指出，既有單層 JEPA 世界模型面臨一項難題，也就是當任務需要規劃較長時間，模型必須模擬許多細微步驟，不僅增加運算成本，也可能讓預測誤差逐步累積。
舉例來說，四足機器人要走出迷宮，決定路線時主要需要知道自身位置、障礙物與終點；但控制每一步移動，又必須掌握腿部關節姿勢。若兩種任務都依賴同一套環境表徵，模型便得同時處理長期目標與細微動作，增加規劃難度。
H-JEPA 有何不同？讓 AI 在不同層級規劃行動
為了解決上述問題，該團隊提出「H-JEPA（Hierarchical JEPA）」，讓世界模型不再只用單一層級預測，而是在不同時間尺度上，分別學習環境表徵。
根據 H-JEPA 官方研究網站，這套架構採取由粗到細的分層規劃方式，而且不限定只能分成幾層。最高層先朝最終目標規劃，提出中間的子目標，再交由下一層逐步細化，直到最底層產生機器人實際要執行的動作。各層在自己的環境表徵空間中進行預測，下層規劃時，則利用上層的表徵空間，評估預測結果是否接近指定的子目標。執行部分動作後，再根據新觀察重新規劃。
關鍵在於，研究人員雖然預先設定不同層級的時間間隔，卻不是直接指定每層必須記住哪些資訊，而是透過端到端訓練，讓模型自行學習。
以迷宮實驗為例，較高層的表徵仍能保留機器人的位置資訊，卻逐漸捨棄腿部姿勢等快速變動的細節。相較於過去單層 JEPA，或在同一潛在空間進行多層規劃的方法，H-JEPA 讓各層學習不同的環境表徵，減少長期規劃處理低階細節的負擔。
成功率提升約 4 倍，規劃運算量也降低
該研究團隊在四種模擬導航與物件操作環境測試 H-JEPA，並與單層 JEPA 模型 LeWM，以及另一種階層式世界模型 HWM 比較。
最顯著的結果來自 Visual AntMaze：單層模型的任務成功率為 18%，三層 H-JEPA 則達 73%，約為原本的 4 倍，而且使用更少的規劃運算量。研究的消融實驗也指出，改善不只來自將任務拆成不同時間長度，還包括高層能學習更適合目標規劃的環境表徵。
此外，研究團隊也使用真實機器人操作影片資料集 DROID 進行離線評估。在加入逆動力學訓練訊號後，分層架構能讓規劃出的機械手臂運動軌跡更接近專家示範，同時降低規劃運算量。
不過，這不代表 H-JEPA 已能讓實體機器人自主完成長期任務。現階段主要成果來自模擬環境與真實機器人資料的離線評估，且研究發現，增加層級並非總能帶來更好的表現。H-JEPA 雖展示了分層規劃的潛力，但能否在真實環境中提升機器人的自主規劃與控制能力，仍有待進一步驗證。
AI 機器人如何從 Demo 走向規模化部署？
立即下載《從 Demo 到 Deployment：AI 機器人規模化關鍵報告》，
掌握真實部署、學習能力與跨層整合的 2026 關鍵進展。
立即下載
【推薦閱讀】
◆ 李飛飛拆解「世界模型」3 大分類，Google、NVIDIA 談的世界模型不是同一件事？
＊本文開放合作夥伴轉載，資料來源：《VentureBeat》、H-JEPA、arXiv，首圖來源：Ecole polytechnique，CC BY-SA 2.0。
